基于RBF核的SVM学习算法的优化计算

在SVM学习中,对SVM的核函数及其参数的选择还没有形成一个统一的模式。论文对基于RBF核的SVM分类器中参数(C,")的选定做了深入研究。分别探讨了网格搜索法和双线性搜索法以RBF为核的搜索特征,并对它们进行了改进。通过结合双线性搜索法和网格搜索法,提出了一种双线性网格搜索法。实验表明,双线性网格搜索法能有效地结合双线性搜索法训练量小和网格搜索法学习精度高的优点,提高学习精度和学习性能。

基于SVM和GA的药物与人血清白蛋白结合的预测

为降低新药在临床实验的失败率,提高新药的ADME特性,在制药初期需考虑预测药物与HSA(人血清白蛋白)的结合能力,以提高预测正确率为目标并因此选取合适的制药成分。首先采用遗传算法对分子描述符进行筛选,然后利用支持向量机(SVM)模型预测药物与HSA的结合能力。针对支持向量机的分类精度和泛化能力取决于核函数参数选取的特点,提出了基于粒子群优化算法(PSO)的SVM核参数优化选择法。通过PSO自动获取SVM最佳核参数,并将结果同双线性网格搜索法比较,结果表明,建立的模型对药物与HSA之间的结合能力有较高的预测性,正确率达到86%。